Fakultas Ilmu dan Teknologi Kebumian

Transkripsi

1 Fakultas Ilmu dan Teknologi Kebumian Program Studi Meteorologi PENERBITAN ONLINE AWAL Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan program sarjana. Karena paper ini langsung diunggah setelah diterima, paper ini belum melalui proses peninjauan, penyalinan penyuntingan, penyusunan, atau pengolahan oleh Tim Publikasi Program Studi Meteorologi. Paper versi pendahuluan ini dapat diunduh, didistribusikan, dan dikutip setelah mendapatkan izin dari Tim Publikasi Program Studi Meteorologi, tetapi mohon diperhatikan bahwa akan ada tampilan yang berbeda dan kemungkinan beberapa isi yang berbeda antara versi ini dan versi publikasi akhir Program Studi Meteorologi Institut Teknologi Bandung

2 Prediksi Curah Hujan dan Debit Menggunakan Metode Adaptive Neuro- Fuzzy Inference System (ANFIS) (Studi Kasus Citarum Hulu) RIZKI MAULANA Program Studi Meteorologi, Fakultas Ilmu dan Teknologi Kebumian, Institut Teknologi Bandung ABSTRAK Sungai Citarum merupakan sungai terpanjang di Jawa Barat, sungai ini berfungsi sebagai pemasok air untuk waduk utama di wilayah Jawa Barat, yaitu Waduk Saguling. Fluktuasi debit air yang masuk ke Waduk Saguling sangat ditentukan oleh curah hujan di DAS Citarum. Musim kemarau yang panjang akan mengakibatkan berkurangnya pasokan air ke dalam waduk, curah hujan yang tinggi akan berpengaruh terhadap kelebihan kualitas tampungan air. Untuk itu pengaturan pembuangan kelebihan air dari waduk perlu direncanakan dengan baik sehingga tidak menimbulkan kerugian yang parah. Salah satu metode prediksi dengan model statistik yang cukup sering digunakan adalah Adaptive Neuro-Fuzzy Inference System (ANFIS). Prediksi curah hujan dilakukan di 4 stasiun (Ciwidey, Ciparay, Bandung, dan Ujung Berung), menggunakan input data berupa data pentad dan data bulanan, dalam peneltian ini dilakukan beberapa skenario training data dengan jumlah data training yang berbeda. Hal ini bertujuan untuk melihat perbandingan banyak input data yang mempengaruhi hasil training data. Proses training data debit menggunakan input curah hujan 4 stasiun, hasil prediksi curah hujan digunakan untuk memprediksi debit di daerah Nanjung. Keluaran model prediksi akan diverifikasi dengan data obervasi Metode prediksi ANFIS dengan menggunakan data pentad menghasilkan nilai training dan prediksi yang lebih baik dibandingkan dengan menggunakan data bulanan. Hal ini, karena training data menggunakan data bulanan, jumlah training data lebih sedikit, sehingga pengenalan pola masih kurang sempurna. Hasil prediksi debit mampu menghasilkan nilai prediksi yang baik dengan nilai RMSE dan korelasi sebesar 15,4mm dan 0,56. Diharapkan hasil penelitian ini menjadi pertimbangan dalam sistem prediksi pengelolaan waduk. Kata kunci: Sungai Citarum, Waduk Saguling, curah hujan, debit Nanjung, prediksi, pentad, bulanan, dan ANFIS 1. Pendahuluan Sungai Citarum merupakan sungai terpanjang di Jawa Barat dengan panjang 269 km dan luas total sekitar km2. Sungai ini mengalir dari hulu di daerah Gunung Wayang, di sebelah selatan Kota Bandung, menuju ke utara, dan bermuara di Karawang. Daerah aliran sungai (DAS) Citarum memiliki curah hujan yang cukup besar, mencapai mm/tahun. Air sungai Citarum merupakan sumber utama air baku untuk menghasilkan air minum di daerah Jakarta, Kabupaten Bekasi, Kabupaten Karawang, Kabupaten Purwakarta, Kabupaten Bandung, dan Kota Bandung. Sungai Citarum juga berfungsi sebagai pemasok air untuk waduk utama di wilayah Jawa Barat, yaitu Waduk Saguling. Waduk ini sangat vital dalam memasok aliran listrik bagi wilayah Jawa. Pembangkit Listrik Tenaga Air (PLTA) di waduk ini mampu menghasilkan listrik hingga gigawatthour/tahun (SDA, 2008). Kebutuhan air untuk pengoperasian turbin-turbin untuk pembangkit listrik diketiga waduk di atas sangat bergantung pada pasokan air dari Sungai Citarum. Stabilitas pasokan air untuk waduk sangat diperlukan bagi keberlangsungan aktivitas produksi energi listrik. Stabilitas pasokan air dari Citarum akan sangat ditentukan dari curah hujan yang turun di sekitar DAS Citarum. Rata-rata debit air pertahun yang masuk ke Waduk Saguling dari tahun ke tahun berfluktuasi namun masih dalam trend yang stabil. Fluktuasi debit rata-rata ini sangat tergantung dari pengaruh musim tahunan. Pada tahun-tahun tertentu dengan curah hujan yang tinggi maka rata-rata debit air masuk akan 1

3 berpengaruh pada kelebihan kuantitas tampungan air di waduk (SDA, 2008). Musim kemarau seringkali menjadi kendala bagi pengelolaan waduk. Kemarau yang panjang akan mengakibatkan berkurangnya pasokan air ke dalam waduk. Hal ini akan berdampak pada berkurangnya produksi listrik yang dihasilkan. Menurunnya muka air waduk akan mengganggu kebelangsungan operasi dari PLTA, sehingga produksi listrik akan berkurang. Berkurangnya produksi listrik tentunya juga akan mengurangi produktivitas masyarakat. Ketidakcukupan produksi listrik akan menyebabkan terjadinya pemadaman bergilir di beberapa daerah Jawa-Bali-Nusa Tenggara. Hal tersebut dapat menimbulkan kerugian yang besar baik dari sektor ekonomi maupun sosial. Salah satu solusi untuk mencukupi kebutuhan air di waduk terutama di musim kemarau adalah dengan pengadaan hujan buatan. Akan tetapi, hal ini membutuhkan biaya yang besar dan persiapan yang sangat matang. Oleh karena itu, diperlukan suatu perencanaan yang baik untuk mengantisipasi berkurangnya pasokan air di Waduk Saguling. Selain kurangnya pasokan air di musim kemarau, kelebihan air di waduk pada musim hujan juga dapat menimbulkan masalah. Sebagai contoh pada bulan Maret 2010, tingginya volume air di sungai Citarum membuat beberapa lokasi di tiga kecamatan Karawang terendam. Penyebab utama banjir ini adalah dibukanya air di Waduk Jatiluhur akibat volume air di Jatiluhur yang terlalu banyak. Hal ini merupakan implikasi dari meluapnya waduk Saguling, yang diakibatkan oleh terjadinya hujan lebat di Kabupaten Bandung (Suprihadi, 2010). Pada kasus seperti ini, pengaturan pembuangan kelebihan air dari waduk perlu direncanakan dengan baik sehingga tidak menimbulkan kerugian yang parah. Perencanaan yang baik dalam pengelolaan Waduk Saguling memerlukan prediksi curah hujan dan debit yang cukup baik di wilayah DAS Citarum. Prediksi hujan dan debit yang cukup akurat bisa digunakan untuk mengelola distribusi air di waduk, sehingga dapat disesuaikan dengan kondisi cuaca yang akan terjadi. Ada beberapa cara untuk menghasilkan prediksi curah hujan dan debit. Secara garis besar ada dua metode prediksi hujan, yaitu dengan model dinamik dan model statistik. Model dinamik menggunakan persamaanpersamaan fisis sebagai persamaan pengatur yang solusi diselesaikan melalui perhitungan numerik. Kelemahan model ini adalah memerlukan sumber daya komputasi yang tinggi. Sebaliknya model statistik melakukan prediksi dengan persamaan yang diturunkan dari data itu sendiri (data driven). Umumnya model ini tidak memerlukan sumber daya komputasi yang tinggi dan bisa digunakan untuk prediksi cepat karena waktu yang diperlukan untuk menjalankannya relatif singkat. Salah satu metode prediksi dengan model statistik yang cukup sering digunakan adalah Adaptive Neuro-Fuzzy Inference System (ANFIS). ANFIS memiliki segala kelebihan yang dimiliki oleh model statistik dari segi sumber daya dan waktu pemrosesan. Lebih dari itu, ANFIS juga mampu mengikutsetakan berbagai variabel yang mungkin tidak berhubungan langsung (variabel proxy) dengan variabel output. Hal ini berarti ANFIS juga bisa digunakan untuk memprediksi debit tanpa harus menggunakan data debit sebagai input. Dalam penelitian ini, dicoba melakukan prediksi hujan dan debit di wilayah DAS Citarum menggunakan metode ANFIS. Penelitian ini diharapkan bisa menghasilkan metode prediksi hujan dan debit yang cukup baik di wilayah DAS Citarum. Hasil penelitian ini diharapakan bisa digunakan sebagai dasar untuk pengelolaan Waduk Saguling. 2. Tinjauan Pustaka 2.1. Karakteristik Curah Hujan di daerah Citarum Wilayah Daerah Aliran Sungai Citarum Hulu meliputi Kabupaten Bandung, Kabupaten Bandung Barat, Kota Bandung, Kabupaten subang, Kabupaten Sumedang, dan Kabupaten Garut. Daerah Aliran Sungai Citarum bagian hulu terdiri dari Sub Daerah Aliran Sungai (DAS) besar yaitu Sub DAS Cikapundung, Citarik, Cirasea, Cisangkuy, dan Ciwidey. Karakteristik iklim di DAS Citarum Hulu adalah tipe monsun tropis dengan musim kemarau dari bulan Juli sampai September dan musim hujan dari bulan Oktober sampai Juni (Narulita dkk, 2008). Variasi hujan tahunan rata-rata terendah pada adalah 1458 mm di tahun 1997 dan tertinggi adalah 2350 mm di tahun 1998 (Tommi, 2011) Penelitian terhadap kecenderungan hidrometeorologi telah dilakukan di daerah aliran sungai Citarum bagian hulu, Jawa Barat. Penelitian tersebut menggunakan data bulanan hasil observasi curah hujan, evapotranspirasi, kelembaban, dan limpasan dari Januari 1968 hingga Desember Hasil penelitian menunjukkan bahwa nilai kecenderungan (rasio odd) curah hujan, evapotranspirasi, kelembaban, dan limpasan masingmasing adalah -3,64; 3,88; 4,21; dan -1,11. Penurunan curah hujan dan limpasan terutama disebabkan oleh adanya penurunan pembentukan awan dan hujan sebagai akibat dari perubahan iklim global. Peningkatan evapotranspirasi dan kelembaban udara tersebut di sebabkan oleh tingginya pemindahan uap air dari permukaan ke atmosfer melalui baik evaporasi maupun transpirasi. (Ruminta dkk, 2001) 2

4 2.2. Metode Prediksi Curah Hujan Menggunakan ANFIS Semua mekanisme yang terlibat di dalam proses hidrometeorolohi adalah tidak linier, sehingga permodelan dinamikanya tidak mudah. Dalam hal ini walaupun penerapan pendekatan linear (stokastik) sangat umum dalam mengkaji sistem fisis alamiah yang kompleks, seperti hidrometeorologi, namun perkembangan yang drastis dalam pengetahuan sistem nonlinier dan pertumbuhan yang cepat sejumlah metode untuk menganalisis model temporal sistem nonlinier, telah membawa kemajuan penting dalam perkembangan metodologi analisis hidrometeorologi (Ruminta, 2008). Diantara sejumlah penemuan penting dalam perkembangan metode analisis data deret waktu adalah analisis Adaptive Neuro-Fuzzy Inference System (ANFIS). ANFIS pertama kali diperkenalkan oleh Lotfi A. Zadeh pada 1965, dengan melihat kenyataan bahwa manusia dapat membuat keputusan lebih baik berdasarkan informasi yang bukan numerik dan kurang pasti. Dalam perkembangan berikutnya, diperkenalkan konsep variabel linguistik. Variabel linguistik adalah suatu variabel yang nilainya merupakan kata atau kalimat dan bukan bilangan. Pada implementasi berikutnya, variabel linguistik ini di kombinasikan dengan aturan IF-THEN, sehingga konsep ini merupakan awal dari teori fuzzy (Suwarman & Permadhi, 2010). Adaptive Neural Fuzzy Inference System (ANFIS) merupakan suatu teknik optimasi yang menggabungkan konsep neural-network dengan fuzzylogic. Neural-network mengenal pola-pola dan menyesuaikan pola terhadap perubahan lingkungan, sedangkan fuzzy logic menggabungkan pengetahuan manusia dan mencari kesimpulan untuk membuat suatu keputusan. Fuzzy Inference System merupakan proses perhitungannya berdasarkan himpunan fuzzy, aturan jika-maka dan operator logika fuzzy. FIS memetakan input yang diketahui ke output dengan menggunakan logika fuzzy Ada beberapa macam FIS, antara lain : Model Fuzzy Tsukamoto, Model Fuzzy Sugeno dan Model Fuzzy Mamdani. FIS yang digunakan dalam penelitian ini adalah Model Fuzzy Sugeno. Bentuk peraturan Model Fuzzy Sugeno adalah : jika x adalah A dan y adalah B, maka z=f(x,y) Dimana A dan B himpunan fuzzy dalam antecedent dan z=f(x,y) adalah fungsi consequent. Pada umumnya f(x,y) adalah polinomial input variabel x dan y. Tetapi dapat juha sembarang fungsi selama fungsi yang dispesifikasi oleh antecedent. Jika f(x,y) adalah polinomial tingkat pertama, maka hasil fuzzy inference systems disebut model fuzzy Sugeno tingkat pertama. Type Sugeno ini digunakan dalam ANFIS. ANFIS Sugeno adalah tipe model perhitungan yang mengadopsi konsep jaringan neural biologis. Perhitungan ANFIS didasarkan pada proses pembelajaran. Jejaring model ANFIS Sugeno terbentuk dari sejumlah simpul antar penghubung yang tersusun ke dalam lima lapisan yaitu satu lapisan input, tiga lapisan tersembunyi, dan satu lapisan output. Pada lapisan input tidak dilakukan perhitungan tetapi digunakan untuk mendistribusikan input ke dalam jejaring ANFIS. Dalam Jejaring tersebut, informasi disampaikan melalui lapisan input kemudian masuk ke lapisan tersembunyi dan akhirnya sampai ke lapisan output. Adaptive Neuro Fuzzy Inference System merupakan suatu teknik optimasi yang menggabungkan Neural Network dan Fuzzy Logic. Neural Network mengenal pola dan menyesuaikan terhadap perubahan pola. Sedangkan Fuzzy Logic menggabungkan pengetahuan manusia dan menarik kesimpulan untuk membuat suatu keputusan. ANFIS terbukti dapat memprediksi time-series yang bersifat chaotic (Jang,1997) Penerapan ANFIS untuk berbagai aspek permodelan hidrometeorologis telah banyak dilakukan dalam sejumlah kajian (Mashudi, 2001). Seperti telah diketahui, ANFIS sangat cocok untuk mengkaji permodelan sistem nonlinear. (Zhu, 2000) dan (Shapiro, 2002)telah menunjukkan bahwa ANFIS merupakan metode permodelan terbaik untuk menganalisis data numerik, karena dalam proses training didasarkan minimalisasi nilai kesalahan atau Root Mean Square Error (RMSE) dari outputnya. Menurut penelitian (Riyanto, 2000) ANFIS dapat memprediksi data deret waktu lebih akurat dibanding metode lainnya, seperti Back Propagation Multiplayer Preceptron (BPMP) maupun autoregresi. Metode perhitungan ANFIS memberikan keuntungan dalam permodelan sistem fisis ilmiah, terutama ketika hubungan fisis yang mendasarinya tidak dapat diketahui dengan pasti (Nayak, 2004) Prediksi Curah Hujan dan Debit Daerah Citarum Studi yang telah dilakukan di daerah aliran Sungai Citarum adalah peramalan kebutuhan air bagi pembangkit listrik di Waduk Saguling, Cirata, dan Jatiluhur dengan menggunakan jaringan Neural (Mashudi, 2001).Hasil studinya menunjukkan bahwa jaringan neural cukup potensial untuk dipergunakan dalam memprediksi kebutuhan air bagi pembangkit listrik di ketiga waduk. Hasil korelasi antara hasil prediksi dan data observasi memperkuat bahwa ANFIS dapat digunakan untuk memprediksi curah hujan dan dari hasil analisis regresi terlihat juga bahwa standard error di semua stasiun berada di bawah rata-rata, hal ini memperlihatkan bahwa ANFIS dapat mengikuti pola curah hujan di Pulau Jawa Bagian Barat, dan dapat memprediksi curah hujan 10 bulan ke depan (Suwarman & Permadhi, 2010) Prediksi dengan menggunakan ANFIS dapat digunakan untuk waktu cuaca jangka pendek pola 3

5 sebaran temperatur dan inframerah yang mencerminkan keadaan cuaca pada 2-6 jam kedepan (Wijaya, 2003).Studi lain menunjukkan prediksi debit citarum dengan metode ANFIS menggunakan data pentad (Ruminta, 2012)berdasarkan inputan selang waktu t-1, dapat meramalkan data observasi dengan akurat, model ANFIS sangat potensial untuk memprediksi debit sungai citarum. 3. Data dan Metodologi 3.1. Data Dalam penelitian ini digunakan data curah hujan harian di 4 stasiun di daerah Citarum Hulu, yaitu Stasiun Ciwidey, Stasiun Ciparay, Stasiun Cemara Bandung, Stasiun Ujung Berung, dan data Debit Nanjung dari tahun Untuk verifikasi hasil model ANFIS digunakan data tahun 2001 di masingmasing stasiun. Hasil ramalan curah hujan digunakan untuk memprediksi debit daerah Nanjung di tahun Data observasi didapatkan dari Puslitbang SDA Bandung. Data harian observasi diubah menjadi data pentad dan data bulanan yang digunakan sebagai inputan data curah hujan dan debit Metodologi Kajian Karakteristik Iklim Daerah Citarum Komposit Bulanan Curah Hujan Melihat kajian karakteristik iklim daerah Citarum digunakan composite data untuk melihat pola curah hujan bulanan selama periode 9 tahun di 4 stasiun. Data curah hujan bulanan dirata-ratakan kemudian dibandingkan dengan curah hujan rata-rata di semua stasiun. Sehingga terlihat pola curah hujan dari 4 stasiun yang memiliki pola yang sama untuk memprediksi curah hujan dan debit Cumulative Distribution Function (CDF) Cumulative Distribution Function (CDF) dilakukan untuk menghitung probabilitas dari kejadian. Jika F adalah CDF dan x dan y adalah hasil, maka = =1 =. Perhitungan CDF dilakukan berdasarkan hubungan dengan Parametric Distribution Function (PDF) (Zwillinger, 2000). Untuk data yang diskrit, dilakukan perhitungan dengan persamaan = Sedangkan untuk data yang bentuknya kontinu, digunakan persamaan = Adaptive Neuro-Fuzzy Inference System (ANFIS) Adaptive Neural Fuzzy Inference System (ANFIS) merupakan suatu teknik optimasi yang menggabungkan konsep neural-network dengan fuzzylogic. Neural-network mengenal pola-pola dan menyesuaikan pola terhadap perubahan lingkungan, sedangkan fuzzy logic menggabungkan pengetahuan manusia dan mencari kesimpulan untuk membuat suatu keputusan. Dalam software matlab telah tersedia fungsifungsi yang digunakan untuk membuat prediksi deret waktu (time-series) baik yang berformat command line maupun yang berupa editor GUI (Graphic User Interface) Aplikasi ANFIS terhadap data deret waktu komponen hidrometeorologi terdiri dari tiga tahap. Tahap pertama adalah training ANFIS yaitu menggambarkan data deret waktu dalam bentuk input dan output pada jejaring ANFIS untuk mendapatkan bobot simpul (node) antar penghubung dalam jejaring tersebut. Pada tahap training input digunakan oleh sistem ANFIS untuk menghasilkan output yang kemudian dibandingkan dengan data hasil observasi. Training ANFIS yang paling baik diperoleh jika RMSE (Root Mean Square Error) mempunyai nilai paling kecil dan nilai korelasi yang mendekati nilai 1. Ketika tahap training telah selesai, ANFIS digunakan untuk testing data, melihat nilai error dari hasil training data yang telah dilakukan, kemudian tahap terakhir checking data, untuk melihat hubungan nilai error dari training data. Dari hubungan ini dapat dilihat nilai epoch yang tepat untuk training data. Dalam penelitian ini digunakan member_function (fungsi keanggotaan) sebanyak 5. Dengan menggunakan gbellmf sebagai type member function Prediksi Curah Hujan Dalam penelitian ini dilakukan prediksi curah hujan di masing-masing stasiun (Ciwidey, Ciparay, Bandung, dan Ujung Berung), menggunakan input data berupa data pentad dan data bulanan, dengan menggunakan 5 skenario percobaan yaitu panjang input data training yang berbeda-beda setiap skenario yang dilakukan. Data inputan masing-masing stasiun dari tahun untuk training yang terdiri dari 3 inputan data. Dari penelitian ini akan dilihat perbandingan dengan menggunakan prediksi dengan inputan data pentad dan data bulanan Data Pentad Dalam penelitian ini digunakan 5 skenario percobaan training ANFIS dengan data pentad : 1. Panjang data 362, menggunakan data dari tahun

6 2. Panjang data 435, menggunakan data dari tahun Panjang data 500, menggunakan data dari tahun Panjang data 580, menggunakan data dari tahun Panjang data 650, menggunakan data dari tahun Prediksi curah hujan dengan ANFIS, dalam penelitian ini terdiri 4 kolom matrik data training; 3 input data dan 1 data ouput. Inputan data pentad terdiri dari pentad sebelumnya dengan selang per pentad (pentad-1, pentad-2, pentad-3) Data Bulanan Dalam penelitian ini digunakan 5 skenario percobaan training ANFIS dengan data bulanan : 1. Panjang data 57, menggunakan data dari tahun Panjang data 69, menggunakan data dari tahun Panjang data 81, menggunakan data dari tahun Panjang data 93, menggunakan data dari tahun Panjang data 105, menggunakan data dari tahun Prediksi curah hujan dengan ANFIS, dalam penelitian ini terdiri 4 kolom matrik data training; 3 input data dan 1 data ouput. Inputan data bulanan terdiri dari bulan sebelumnya dengan selang per bulan (bulan-1, bulan-2, bulan-3) Verifikasi Hasil Prediksi Curah Hujan dengan Threat Score Hasil prediksi curah hujan pentad dibandingkan dengan curah hujan observasi. Metode verifikasi dilakukan dengan Threat Score. Prediksi dikotomi (ya/tidak) merupakan prediksi yang membagi prediksi dua kemungkinan ya atau tidak, hujan-tidak hujan. Dasar-dasar skor dalam verifikasi antara lain Threat Score (TS), Probability of Detection (POD), False Alarm Rasio (FAR), dan Accuracy (ACC) (Kadarsah, 2009). Tabel 3.1 Kontingensi skor Event Event Observed Forecast Yes No Marginal Total Yes a b a+b No c d c+d Marginal Total Prediksi Debit a+c b+d a+b+c+d=n Setelah dilakukan prediksi curah hujan di 4 stasiun (Ciwidey, Ciparay, Bandung, dan Ujung Berung) kemudian dilakukan prediksi debit di daerah Nanjung, dengan inputan training data tahun dari inputan 4 stasiun. Nilai ramalan curah hujan di 4 stasiun digunakan sebagai nilai prediksi debit di daerah Nanjung. Setelah tahap training data dengan menggunakan data curah hujan di 4 stasiun, kemudian hasil ramalan tersebut digunakan sebagai nilai untuk memprediksi debit di daerah Nanjung pada tahun Hasil dan Pembahasan 4.1. Karakteristik Iklim Wilayah Citarum Penerapan metode prediksi hujan yang didasarkan pada model statistik, termasuk ANFIS, memerlukan pemahaman karakteristik hujan di wilayah yang akan diprediksi. Hal ini penting mengingat model yang dihasilkan sangat bergantung pada data yang digunakan untuk membentuk persamaannya. Wilayah yang memiliki perbedaan karakteristik hujan yang sangat mencolok belum tentu bisa menggunakan model statistik yang sama. Oleh karena itu diperlukan kajian mengenai karakteristik hujan di wilayah yang akan diprediksi menggunakan ANFIS. Dalam penelitian ini, karakteristik hujan di wilayah DAS Citarum dikaji melalui pola komposit bulanan dan curah hujan dan pola distribusi harian antar tahunan Komposit Bulanan Curah Hujan Jan Mar Mei Jul Sep Nop Ciwidey Ciparay Bandung Gambar 4.1 Komposit Bulanan Curah Hujan Gambar diatas menunjukkan hasil komposit data curah hujan rataan bulanan selama periode menunjukkan pola yang relatif sama di 4 stasiun berbeda di DAS Citarum. Curah hujan bulanan selama periode 9 tahun menunjukkan terjadi 2 kali puncak hujan pada bulan Maret dan November dan curah hujan terendah terdapat pada bulan Agustus. Curah hujan rata-rata setiap stasiun relatif sama dapat disebabkan karena seluruh stasiun berada dalam kawasan curah hujan wilayah DAS Citarum yang memiliki pola curah hujan monsunal (Tjasyono, 2007). Hasil curah hujan rata-rata 4 stasiun ini dapat digunakan untuk memprediksi curah hujan dan debit Nanjung, karena dari rentang data 9 tahun menunjukkan pola hujan yang sama setiap daerahnya. 5

7 Hasil komposit hujan bulanan di atas juga mengindikasikan bahwa di keempat stasiun tersebut bisa digunakan metode prediksi ANFIS yang sama. Metode prediksi yang digunakan untuk masingmasing stasiun tidak perlu dibedakan. Hal ini juga berlaku apabila jumlah stasiun yang diikutsertakan bertambah. Selama curah hujan di stasiun tersebut memiliki pola curah hujan yang sama dengan keempat stasiun diatas, maka metode prediksi ANFIS yang sama tetap bisa diterapkan. d) Cumulative Distribution Function (CDF) a) b) c) Gambar 4.2 Gambar plot probabilitas curah hujan harian pada a) Ciwidey, b) Ciparay, c) Bandung, dan d) Ujung Berung Pola distribusi curah hujan harian antar tahunan di 4 stasiun DAS Citarum Hulu (Gambar 4.2) menunjukkan pola distribusi yang hampir mirip. Masing-masing stasiun menunjukkan distribusi probabilitas hujan yang relatif sama selama 9 tahun. Hal ini menunjukkan bahwa distribusi hujan di keempat stasiun tidak mengalami perubahan yang signifikan dari tahun ke tahun. Perubahan yang cukup besar terlihat di stasiun Ciwidey dan Ciparay, dimana pada tahun 1996 terjadi penurunan probabilitas kejadian hujan dibawah 50 mm. Akan tetapi penurunan probabilitas ini tidak lebih dari 10%. Hal ini juga tidak terjadi di tahun-tahun lainnya di stasiun yang sama. Bisa dikatakan, sepanjang tahun tidak terjadi perubahan pola distribusi hujan yang signifikan di keempat stasiun ini. Hasil diatas mengindikasikan tidak diperlukannya penanganan khusus dalam prediksi hujan menggunakan ANFIS di wilayah DAS Citarum dalam kurun waktu tahun Prediksi Curah Hujan Prediksi curah hujan dilakukan masing-masing di 4 stasiun (Ciwidey, Ciparay, Bandung, dan Ujung Berung) dengan metode ANFIS yang sama. Sebelum digunakan untuk memprediksi, ANFIS melakukan training secara temporal. Pada periode training, variable epoch bisa digunakan sebagai indicator kesalahan (error). Semakin banyak epoch, maka umumnya error akan terus menurun. Penentuan nilai epoch yang tepat dapat dilihat dari hubungan terdekat antara training dan checking data. Semakin dekat hubungan antara keduanya,maka error training semakin kecil. Dalam penelitian ini, metode ANFIS yang digunakan adalah metode prediksi secara langsung. Pada metode ini ANFIS secara langsung digunakan untuk melakukan prediksi setelah proses training. Berikut akan dibahas hasil prediksi masing-masing stasiun menggunakan data pentad dan bulanan dengan 5 skenario percobaan sebagaimana yang dijelaskan dalam metodologi. 6

8 4.2.1 Data Pentad Parameter-parameter ANFIS tidak sama untuk setiap kondisi. Maka untuk prediksi, perlu dicari parameter ANFIS yang sesuai dan menghasilkan keluaran yang terbaik. Parameter ANFIS pada percobaan menggunakan number_mf dan member_function (mf) adalah 5 dan gbellmf. Berikut merupakan hasil training data pentad pada masingmasing stasiun menggunakan 5 skenario percobaan TS POD FAR ACC Tabel 4.1 Hasil average training error data pentad Hasil average error training data menunjukkan nilai rata-rata error training dari semua skenario yang ada menunjukkan nilai yang relatif sama. Prediksi curah hujan Ciwidey dan Ciparay menunjukkan nilai error lebih kecil pada panjang training data yang lebih panjang. Pada stasiun Bandung dan Ujung Berung error training data lebih kecil pada jumlah training data yang lebih sedikit. Jumlah training data pada data pentad tidak begitu berpengaruh terhadap perbandingan skenario yang dilakukan. Berikut merupakan gambar plot perbandingan nilai training data keluaran hasil model ANFIS Tabel 4.2 RMSE dan Korelasi data pentad Gambar 4.3 Hasil threat score prediksi curah hujan pentad Hasil prediksi model ANFIS untuk curah hujan pentad menunjukkan pada skenario 5 menghasilkan nilai hasil prediksi yang lebih baik dengan nilai TS (kemampuan model memprediksi kejadian curah hujan) dan POD (seberapa baik kejadian hujan dapat diprediksi) yang lebih besar. Hal ini dianalisa karena data training yang lebih panjang cukup mampu mempengaruhi prediksi terjadinya hujan. Walaupun pada nilai TS di semua stasiun relatif sama karena perbedaan panjang data training Data Bulanan Parameter-parameter ANFIS tidak sama untuk setiap kondisi. Maka untuk prediksi, perlu dicari parameter ANFIS yang sesuai dan menghasilkan keluaran yang terbaik. Parameter ANFIS pada percobaan menggunakan number_mf dan member_function (mf) adalah 5 dan gbellmf. Berikut merupakan hasil training data pentad pada masing-masing stasiun menggunakan 5 skenario percobaan. Tabel 4.3 Hasil average training error data bulanan Hasil dari tabel diatas merupakan perbandingan nilai RMSE dan korelasi dari setiap skenario yang dilakukan. Nilai RMSE pada Stasiun Ciwidey menunjukkan nilai error yang besar dibandingkan dengan stasiun lainnya, hal ini dapat disebabkan karena pengaruh dari karakteristik Ciwidey dan curah hujan yang ekstrim di daerah Ciwidey yang tidak terdeteksi oleh model prediksi ANFIS. Masing-masing RMSE dan korelasi curah hujan prediksi di semua stasiun tidak menunjukkan pengaruh dari panjang data training. Hal ini menunjukkan panjang data training untuk prediksi data pentad tidak begitu mempengaruhi hasil dari prediksi curah hujan. Hasil average error training data menunjukkan nilai rata-rata error training dari semua skenario yang ada menunjukkan nilai yang berbeda di setiap skenario percobaan yang dilakukan. Hasil prediksi curah hujan menunjukkan nilai error yang lebih besar pada data training yang lebih panjang, hal ini dapat dianalisa dari besarnya nilai ekstrim yang tidak terdeteksi oleh model prediksi ANFIS. Pada training data bulanan semakin banyak data training semakin banyak error, dikarenakan semakin banyaknya akumulasi error training data dari semakin panjangnya data training. 7

9 Tabel 4.4 RMSE dan Korelasi data pentad Hasil dari tabel diatas merupakan perbandingan nilai RMSE dan korelasi dari setiap skenario yang dilakukan. Prediksi curah hujan bulanan menggunakan data bulanan menghasilkan nilai yang tidak bagus, dapat dilihat dari nilai RMSE yang sangat besar. Hal ini menunjukkan data bulanan kurang cocok untuk memprediksi curah hujan pada wilayah ini, karena model tidak sempurna dalam memprediksi curah hujan ramalan. Panjang data training mempengaruhi hasil prediksi curah hujan, pada data pentad training data lebih panjang, sehingga model lebih sempurna dalam melakukan training data. Dengan data training yang lebih sedikit, pengenalan pola menjadi kurang sempurna TS POD FAR ACC kedepan, digunakan data hasil ramalan curah hujan di 4 stasiun yang digunakan. Parameter-parameter ANFIS tidak sama untuk setiap kondisi. Maka untuk kondisi dalam penelitian tentang prediksi debit, perlu dicari setting parameter ANFIS yang sesuai dan menghasilkan keluaran yang terbaik. Setting parameter ANFIS pada penelitian ini adalah : Epoch_number : 150 MF_type (fungsi keanggotaan) : gbellmf Number_MF : 5 Average error training data : 32 Gambar 4.5 Hasil training data pentad Nanjung Gambar 4.4 Hasil threat score prediksi curah hujan bulanan Hasil prediksi model ANFIS untuk curah hujan pentad menunjukkan pada skenario 3 daan 4 menghasilkan nilai ramalan yang lebih baik dengan nilai TS(kemampuan model memprediksi kejadian curah hujan) dan POD (seberapa baik kejadian hujan dapat diprediksi) yang lebih besar. Perbedaan panjang data pada masing-masing skenario tidak begitu berbeda hanya selang beberapa waktu menunjukkan hasil yang tidak begitu mempengaruhi hasil prediksi. Hasil verifikasi dengan model ini menunjukkan nilai yang cukup baik secara kualitatif, tetapi dengan metode verifikasi kuantitatif dengan RMSE menunjukkan nilai error yang besar. Hal ini dapat disebabkan karenan pengaruh ENSO terhadap curah hujan dan debit DAS Citarum, terutama pada musim kering (Hutagalung, 2003) Prediksi Debit Nanjung Untuk melakukan training data ANFIS digunakan inputan data curah hujan dari 4 stasiun yang ada, kemudian untuk memprediksi debit 3 bulanan Gambar 4.6 Hasil testing data pentad Nanjung Dari gambar diatas terlihat bahwa hasil training dan testing data Debit Nanjung dengan inputan data curah hujan 4 stasiun, didapatkan nilai average error training data sebesar 32. Kemudian dilakukan prediksi Nanjung dari hasi ramalan curah hujan 4 stasiun. 8

10 Gambar 4.7 Hasil prediksi data pentad debit (m3/s), kurva berwarna merah (data observasi) dan kurva berwarna biru (hasil prediksi) Tabel 4.5 RMSE dan Prediksi Debit 3 bulan Nanjung RMSE (m3/s) Korelasi 15, , Hasil prediksi debit Nanjung menggunakan data input curah hujan 4 stasiun DAS Citarum. Didapatkan nilai RMSE yang kecil dan korelasi yang cukup baik untuk memprediksi 3 bulan ke depan. Hal ini menunjukkan bahwa curah hujan 4 stasiun DAS Citarum dapat menghasilkan nilai yang baik sebagai input untuk memprediksi debit Nanjung, karena pola curah hujan bulanan rata-rata 4 stasiun menunjukkan nilai pola yang sama, sehingga mampu digunakan sebagai nilai inputan untuk prediksi debit. Debit daerah nanjung juga dipengaruhi oleh besaran masukan dari masing-masing stasiun Citarum Hulu yang terletak di ujung Sub DAS Citarum Hulu. 5. Kesimpulan Hasil penelitian dengan metode ANFIS untuk memprediksi curah hujan dan debit dapat memberikan beberapa kesimpulan penting sebagai berikut. Model dinamika temporal hidrometeorologi dapat diidentifikasi secara akurat oleh ANFIS. Metode prediksi ANFIS dengan menggunakan data pentad menghasilkan nilai training dan prediksi yang lebih baik dibandingkan dengan menggunakan data bulanan. Hal ini dapat dianalisa karena pada metode ANFIS menggunakan data bulanan, jumlah training data lebih sedikit, sehingga pengenalan pola masih kurang sempurna, jika dibandingkan dengan data pentad yang lebih banyak jumlah training data. Model temporal hasil identifikasi ANFIS layak dipergunakan untuk memprediksi curah hujan dan debit sungai, karena hasil prediksi dapat memberikan nilai kesalahan (RMSE) yang cukup kecil dan nilai korelasi yang mendekati 1. Oleh karena itu hasil penelitian dapat menjadi pertimbangan dalam sistem prediksi pengelolaan waduk REFERENSI Cita - Citarum. (2009). Diambil kembali dari Citarum: Hall, W. A., & Nathan, B. (2005). The Dynamic Programming Approach to Water Resources Development. J. Geophys. Hutagalung, M. D. (2003). Dampak Fenomena El Nino Southern Oscillation (ENSO) terhadap Keragaman Penerimaan Curah Hujan dan Debit Air Sungai DAS Citarum. Institut Pertanian Bogor. Jang, J. (1993). ANFIS : Adaptive Neuro Fuzzy Inference System. Junnaedhi, I. D. (2006). Kajian Model Regional Untuk Prediksi Cuaca di Indonesia. Institut Teknologi Bandung. Kadarsah. (2009). Metode Verifikasi Prediksi. Diambil kembali dari Meteorologi dan Sains Atmosfer: Mashudi, M. R. (2001). Forecasting Water Demand using Neural Network in The Operation of Reservoirs in Citarum Cascade, West Java. Narulita, I., Arif, R., & Rizka, M. (2008). Aplikasi Sitem Informasi Geografi untuk Menentukan Daerah Prioritas Rehabilitasi di Cekungan BAndung. Jurnal Riset Geologi dan Pertambangan. Nayak, P. C. (2004). A Neuro Fuzzy Computing Technique for Modelling Hydrological Time Series. 291, Riyanto, B. (2000). Adaptive Network Based Fuzzy Inference System for Forecasting Daily Gasoline Demand. Proceedings of the Sixth AEESEAP Triennila Conference. Kuta, Bali. Ruminta. (2008). Model Temporal Curah Hujan dan Debit Sungai Citarum Berbasis ANFIS. Jurnal Sains Dirgantara. Ruminta. (2012). Prediction of Upper Citarum River Basin Discharge Based on ANFIS. Asian Transactions on Science & Technology. 9

11 Ruminta, Tjasyono, B., Liong, T. H., & Soekarno, I. (2007). Kecendrungan Hidrometeorologi di Daerah Aliran Sungai Citarum. Jurnal Bionatura. SDA, P. L. (2008). Pengelolaan Danau dan Waduk Di Indonesia. Diambil kembali dari Puslitbang Sumber Daya Air: Shapiro, A. F. (2002). From Neural Networks, Fuzzy Logic, and Genetic Algorithms to ANFIS and Beyond. Suprihadi, M. (2010, Maret). Banjir Citarum dari Hulu sampai Hilir. Diambil kembali dari Kompas: /Banjir.Citarum.dari.Hulu.sampai.Hilir Suwarman, R., & Permadhi, Y. F. (2010). Aplikasi Metode ANFIS Untuk Prediksi Curah Hujan di Pulau Jawa Bagian Barat. Tjasyono, B. (2007). Tiga Pola Curah Hujan Indonesia. Diambil kembali dari Meteorologi dan Sains Atmosfer: Tommi. (2011). Pengaruh Penggunaan Lahan Terhadap Karakteristik DAS Citarum Hulu. Wijaya, H. (2003). Metode Principal Component Analysis (PCA) dan Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk Prediksi Cuaca Jangka Pendek Menggunakan Data Satelit. Zhu, Y. (2000). ANFIS : Adaptive Neuro Fuzzy Inference System. Zwillinger, Z. (2000). CRC Standard Probability and Statistics Tables and Formulae. 10